分类： AGI

在人工智能的世界中，链式提示（Prompt Chaining）就像是复杂任务的解锁钥匙。这种技术通过将任务分解为多个可管理的子任务，帮助大型语言模型（LLM）更好地理解和处理复杂指令。想象一下，若将一项任务比作攀登一座高峰，链式提示就像是为你提供了一系列的阶梯，让你一步一步稳步前行。

什么是链式提示？🔗

链式提示的核心在于将复杂任务拆分为多个小任务。每个小任务都有明确的目标，模型在处理时能够集中注意力，从而减少错误并提高准确性。通过这种方法，用户可以清晰地定位问题，分析并优化各个阶段的性能。这种分步的处理方式不仅增强了模型的透明度，还提升了其可靠性。

链式提示的好处 🎯

1. 提高准确性：每个子任务都能获得模型的全神贯注，减少了整体任务中的错误发生。
2. 明确性：简单的子任务意味着更清晰的指令和输出，用户体验大幅提升。
3. 可追溯性：易于定位和修复提示链中的问题，当模型表现不佳时，可以单独调试某个步骤，而不需要重做整个任务。

何时使用链式提示？🕒

链式提示特别适合于那些涉及多个步骤的复杂任务，比如研究综合、文档分析或迭代内容创作。当任务需要多次转换、引用或说明时，链式提示可以有效防止模型遗漏或错误处理某些步骤。

例如，在文档问答场景中，链式提示可以帮助模型更好地从长文档中提取相关信息。可以设计两个提示，第一个用于提取与问题相关的引文，第二个则基于这些引文和原始文档来回答问题。

示例：文档问答中的链式提示 📄

提示 1：提取引文

你是一个很有帮助的助手。你的任务是根据文档回答问题。第一步是从文档中提取与问题相关的引文，由####分隔。请使用<quotes></quotes>输出引文列表。如果没有找到相关引文，请回应“未找到相关引文！”。
####
{{文档}}
####

运行这个提示后，模型可能会输出如下引文：

<quotes>
- Chain-of-thought (CoT) prompting
- Generated knowledge prompting
- Least-to-most prompting
- Self-consistency decoding
- Complexity-based prompting
...
</quotes>

提示 2：生成答案

接下来，利用提取的引文生成答案的提示如下：

根据从文档中提取的相关引文（由<quotes></quotes>分隔）和原始文档（由####分隔），请构建对问题的回答。请确保答案准确、语气友好且有帮助。
####
{{文档}}
####
<quotes>
- Chain-of-thought (CoT) prompting
- Generated knowledge prompting
...
</quotes>

模型将基于提取的引文和原始文档生成一个清晰、友好的答案。

高级用法：自我修正链 🔍

想象一下，如果模型不仅能回答问题，还能对自己的回答进行评估和修正，那将会是多么强大的功能！通过自我修正链，模型可以在生成内容后，回过头来检查和优化自己的输出。这对于那些高风险的任务尤其重要。

示例：自我修正研究摘要

提示 1

总结这篇医学研究论文。
<paper>{{研究论文}}</paper>
关注方法、结果和临床意义。

提示 2

你的任务是对研究论文摘要提供反馈。请根据准确性、清晰度和完整性进行评估，使用A-F评分。
<summary>{{摘要}}</summary>
<paper>{{研究论文}}</paper>

提示 3

根据反馈更新摘要。
<summary>{{摘要}}</summary>
<paper>{{研究论文}}</paper>
<feedback>{{反馈}}</feedback>

通过这个流程，模型能够在每一步都进行自我审查，让最终结果更加精准和完善。

结束语 🌈

链式提示不仅提高了大型语言模型的性能，还为用户提供了更高的控制性和可依赖性。通过将复杂任务分解为简单的子任务，用户可以更轻松地与模型互动，获得更准确的结果。无论是在文档问答、内容创作还是其他复杂任务中，链式提示都是一项值得掌握的强大工具。

参考文献 📚

1. Anthropic. (2023). Chain complex prompts for stronger performance. Retrieved from Anthropic Documentation.
2. OpenAI. (2023). Prompt engineering techniques for large language models.
3. Google Research. (2023). Enhancing model interpretability through prompt chaining.

在科技的海洋中，人工智能（AI）正如一艘不断迎风破浪的航船，而大型语言模型（LLM）则是其上最引人注目的船员之一。这些智能助手不仅会与我们对话，还能在某种程度上“思考”并生成知识，帮助我们解决各种问题。今天，我们就来聊聊 Liu 等人（2022）的论文，探索如何通过生成知识来提升 LLM 的推理能力。

🌍 知识的海洋：LLM 的局限性

首先，必须承认，尽管 LLM 在语言理解和生成方面表现优异，但它们在常识推理方面仍显得有些“捉襟见肘”。就像一位自信的高尔夫球手，面对复杂的球场时，往往难以达到预期的得分。

例如，让我们来看一个简单的提示：“高尔夫球的一部分是试图获得比其他人更高的得分。是或否？”如果模型回答“是”，那么它就像在高尔夫球场上挥出了一杆偏离目标的球。然而，若能利用生成的知识复盘这一问题，模型将能更好地理解高尔夫的本质。

🏌️‍♂️ 知识生成：为 LLM 提供更多信息

Liu 等人提出，生成知识不仅能帮助模型做出更准确的预测，还能提升其推理能力。通过构建一个知识库，模型在面对问题时，能够参考相应的知识，从而做出更具逻辑性的回答。

让我们看看如何生成知识以帮助更好地理解高尔夫球：

输入：高尔夫球的目标是什么？

知识：

• 高尔夫球的目标是以最少的杆数打完一组洞。通常，一轮高尔夫比赛包含18个洞。
• 每个杆计为一分，最终以总杆数来确定胜者，而非总得分。

此时，模型可以将这些知识与问题结合，形成更加严谨的回答。

🧩 生成的知识如何整合

通过将生成的知识与问题格式化为QA形式，我们可以帮助模型更好地理解：

问题：高尔夫球的一部分是试图获得比其他人更高的得分。是或否？

知识：高尔夫球的目标是以最少的杆数打完一组洞。每个杆计为一分，总杆数用于确定比赛的获胜者。

解释和答案：

• 答案：不是，高尔夫球的目标不是获得比其他人更高的得分。相反，目标是以最少的杆数打完比赛。

通过这种方式，模型不仅可以提供更准确的答案，还能带着一份自信，仿佛是在高尔夫球场上挥杆自如。

🤖 提升推理能力的策略

在生成知识的过程中，如何提高模型的推理能力是一个值得深思的问题。Liu 等人建议，采用多种知识生成策略，例如：

1. 知识多样性：提供多角度的知识信息，确保模型在推理时有足够的背景知识。
2. 上下文关联：将问题与相关知识紧密结合，帮助模型理解上下文。
3. 反馈机制：通过与用户的互动，不断优化生成的知识，提升模型的准确性和灵活性。

📈 未来展望：知识生成的无限可能

在 AI 知识生成的旅途中，未来的可能性无疑是广阔的。随着技术的不断进步，LLM 将不仅仅是语言的模仿者，更将成为知识的创造者。想象一下，未来的模型能够在瞬息之间生成复杂的知识，帮助我们解决各种难题，甚至在科学研究、教育等领域发挥更大的作用。

📚 参考文献

1. Liu, 等人. (2022). 生成知识与大型语言模型的推理能力提升.